面向遥感影像分类、目标识别及提取的深度学习方法研究
发布时间：2021-04-07 09:38
卫星遥感影像记录了几十年来地球表面的各类信息及其变化情况,已经被广泛应用于气象气候、农林水利、城市规划、国家安全等关键领域。如何从海量的遥感影像中自动提取出有效信息,精确而高效地进行遥感影像的分析和理解,是在上述领域中成功应用遥感技术的关键。近年来,人工智能,尤其是深度学习技术的蓬勃发展对遥感影像分析研究带来巨大推动,以卷积神经网络为主的深度学习方法已经在地表覆盖分类、目标识别及提取等问题中展现出巨大潜力,然而在研究区域尺度、多源数据融合、模型准确率等方面依然存在局限。针对上述问题,本研究以智能化地理解遥感影像中的结构化信息为目标,从粗尺度下的“地表覆盖分类制图”到精细尺度下的“油棕榈树识别”和“建筑轮廓提取”,以深度学习为主要方法,在数据集构建、方法模型设计、实验结果分析等方面进行了改进和创新。首先,本研究提出基于图像分类深度学习模型的中国地表覆盖制图方法,首次将深度学习应用于中国尺度地表覆盖问题,在数据层面融合了谷歌地球高分辨率影像和Landsat等中分辨率数据,在方法层面充分利用了不同数据在纹理和光谱等方面的特点。本研究在整个中国验证样本上取得84.4%的准确率,在现有研究最高准...
【文章来源】：清华大学北京市 211工程院校 985工程院校 教育部直属院校
【文章页数】：114 页
【学位级别】：博士
【部分图文】：
图3.85个研究区域的位置及Landsat假彩色影像，黑色框表示5个放大的子区域位置
第4章基于目标检测深度学习模型的油棕榈树识别统计在基于多尺度滑动窗口的图像预测阶段中使用。图4.4用于目标分类的样本数据集和CNN结构。4.2.5面向大尺度卫星影像的油棕识别本研究使用的QuickBird卫星影像大小为12,188×12,576像素。为了提升大尺度油棕识别效率，我们将完整的卫星影像划分为若干个大小为600×600像素的子图像，多个子图像可以同时进行处理。如果对卫星影像直接进行无重叠划分，部分油棕树冠将被划分到不同的子图像中，可能无法被正确识别出来。为了避免这种情况发生，我们设计了有重叠的图像划分方法，每两个上下或左右相邻的子图像包括一个指定宽度的重叠区域。在本文的研究区域中，我们将重叠宽度设置为20像素，从而保证每个油棕树冠都能被完整划分到至少一个子图像中。相应地，为了避免有重叠划分造成的油棕重复检测问题，在得到每个子图像的预测油棕坐标后，我们采用基于最小距离滤波的后处理策略。我们将在后文中具体介绍这一策略。我们设计了一种基于多尺度滑动窗口的图像数据集采集和油棕坐标预测方法，将油棕识别问题划分为油棕种植区判断和油棕定位两个阶段，如图4.5所示。对于有重叠划分后得到的每个子图像，我们分别采集用于油棕种植区判断和用于油棕定位的图像数据集。我们使用大小为65×65像素的滑动窗口，采集用于油棕种植区判断的图像数据集（数据集1），样本图像大小与地表覆盖分类CNN的输入图像大小一致。我们使用大小为17×17像素的滑动窗口，采集用于油棕定位的图像数据集（数据集2），样本图像大小与目标分类CNN的输入图像大小一致。46
第4章基于目标检测深度学习模型的油棕榈树识别统计图4.6基于最小距离滤波的预测结果后处理。4.3基于二阶段卷积神经网络的油棕识别结果分析4.3.1超参数设置及分类准确率在本研究中，我们分别对地表覆盖分类CNN和目标分类CNN进行超参数优化，得到在验证集上准确率最高的两个CNN模型的超参数设置。对于两个CNN模型，我们将卷积核大小设置为3×3，池化核大小设置为2×2，批量处理大小设置为10，最大迭代步数设置为100,000。对于地表覆盖分类CNN，当5个卷积层的卷积核个数和3个全连接层的隐层节点数依次设置为24-64-96-96-64-800-800-3时，我们在3,000个3种类型的验证样本上取得95.47%的最高分类准确率。对于目标分类CNN，当5个卷积层的卷积核个数和3个全连接层的隐层节点数依次设置为25-60-45-45-65-800-800-4时，我们在3,000个4种类型的验证样本上取得91.53%的最高分类准确率。此外，地表覆盖分类CNN使用的样本图像大小对于识别结果具有一定影响。实验结果表明，当样本图像大小为45×45、65×65和85×85像素时，地表覆盖分类CNN在3,000个3种类型的验证样本上分别取得92%、95%和91%的分类准确率。因此，本研究使用65×65像素作为地表覆盖分类CNN的样本图像大校48
【参考文献】：
期刊论文
[1]高分二号卫星的技术特点[J]. 潘腾. 中国航天. 2015(01)
[2]高分辨率卫星遥感影像在土地利用变化动态监测中的应用[J]. 廖克,成夕芳,吴健生,陈文惠. 测绘科学. 2006(06)
[3]遥感技术在灾害监测中的应用[J]. 黄小雪,罗麟,程香菊. 四川环境. 2004(06)
[4]IKONOS等高分辨率遥感技术的发展与应用分析[J]. 朱光良. 地球信息科学. 2004(03)
[5]高分辨率卫星遥感数据在土地利用动态监测中的应用研究[J]. 杨清华,齐建伟,孙永军. 国土资源遥感. 2001(04)
本文编号：3123259
【文章来源】：清华大学北京市 211工程院校 985工程院校 教育部直属院校
【文章页数】：114 页
【学位级别】：博士
【部分图文】：
图3.85个研究区域的位置及Landsat假彩色影像，黑色框表示5个放大的子区域位置
第4章基于目标检测深度学习模型的油棕榈树识别统计在基于多尺度滑动窗口的图像预测阶段中使用。图4.4用于目标分类的样本数据集和CNN结构。4.2.5面向大尺度卫星影像的油棕识别本研究使用的QuickBird卫星影像大小为12,188×12,576像素。为了提升大尺度油棕识别效率，我们将完整的卫星影像划分为若干个大小为600×600像素的子图像，多个子图像可以同时进行处理。如果对卫星影像直接进行无重叠划分，部分油棕树冠将被划分到不同的子图像中，可能无法被正确识别出来。为了避免这种情况发生，我们设计了有重叠的图像划分方法，每两个上下或左右相邻的子图像包括一个指定宽度的重叠区域。在本文的研究区域中，我们将重叠宽度设置为20像素，从而保证每个油棕树冠都能被完整划分到至少一个子图像中。相应地，为了避免有重叠划分造成的油棕重复检测问题，在得到每个子图像的预测油棕坐标后，我们采用基于最小距离滤波的后处理策略。我们将在后文中具体介绍这一策略。我们设计了一种基于多尺度滑动窗口的图像数据集采集和油棕坐标预测方法，将油棕识别问题划分为油棕种植区判断和油棕定位两个阶段，如图4.5所示。对于有重叠划分后得到的每个子图像，我们分别采集用于油棕种植区判断和用于油棕定位的图像数据集。我们使用大小为65×65像素的滑动窗口，采集用于油棕种植区判断的图像数据集（数据集1），样本图像大小与地表覆盖分类CNN的输入图像大小一致。我们使用大小为17×17像素的滑动窗口，采集用于油棕定位的图像数据集（数据集2），样本图像大小与目标分类CNN的输入图像大小一致。46
第4章基于目标检测深度学习模型的油棕榈树识别统计图4.6基于最小距离滤波的预测结果后处理。4.3基于二阶段卷积神经网络的油棕识别结果分析4.3.1超参数设置及分类准确率在本研究中，我们分别对地表覆盖分类CNN和目标分类CNN进行超参数优化，得到在验证集上准确率最高的两个CNN模型的超参数设置。对于两个CNN模型，我们将卷积核大小设置为3×3，池化核大小设置为2×2，批量处理大小设置为10，最大迭代步数设置为100,000。对于地表覆盖分类CNN，当5个卷积层的卷积核个数和3个全连接层的隐层节点数依次设置为24-64-96-96-64-800-800-3时，我们在3,000个3种类型的验证样本上取得95.47%的最高分类准确率。对于目标分类CNN，当5个卷积层的卷积核个数和3个全连接层的隐层节点数依次设置为25-60-45-45-65-800-800-4时，我们在3,000个4种类型的验证样本上取得91.53%的最高分类准确率。此外，地表覆盖分类CNN使用的样本图像大小对于识别结果具有一定影响。实验结果表明，当样本图像大小为45×45、65×65和85×85像素时，地表覆盖分类CNN在3,000个3种类型的验证样本上分别取得92%、95%和91%的分类准确率。因此，本研究使用65×65像素作为地表覆盖分类CNN的样本图像大校48
【参考文献】：
期刊论文
[1]高分二号卫星的技术特点[J]. 潘腾. 中国航天. 2015(01)
[2]高分辨率卫星遥感影像在土地利用变化动态监测中的应用[J]. 廖克,成夕芳,吴健生,陈文惠. 测绘科学. 2006(06)
[3]遥感技术在灾害监测中的应用[J]. 黄小雪,罗麟,程香菊. 四川环境. 2004(06)
[4]IKONOS等高分辨率遥感技术的发展与应用分析[J]. 朱光良. 地球信息科学. 2004(03)
[5]高分辨率卫星遥感数据在土地利用动态监测中的应用研究[J]. 杨清华,齐建伟,孙永军. 国土资源遥感. 2001(04)
本文编号：3123259
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3123259.html
